CN116443027A - 车辆的舒适度评估方法、装置、服务器及存储介质 - Google Patents
车辆的舒适度评估方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN116443027A CN116443027A CN202310443643.2A CN202310443643A CN116443027A CN 116443027 A CN116443027 A CN 116443027A CN 202310443643 A CN202310443643 A CN 202310443643A CN 116443027 A CN116443027 A CN 116443027A
- Authority
- CN
- China
- Prior art keywords
- current
- comfort
- evaluation
- data
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 292
- 230000036541 health Effects 0.000 claims abstract description 128
- 230000001133 acceleration Effects 0.000 claims abstract description 116
- 230000003238 somatosensory effect Effects 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 34
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 37
- 229910052760 oxygen Inorganic materials 0.000 claims description 37
- 239000001301 oxygen Substances 0.000 claims description 37
- 239000008280 blood Substances 0.000 claims description 36
- 210000004369 blood Anatomy 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0872—Driver physiology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Transportation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种车辆的舒适度评估方法、装置、服务器及存储介质,其中,方法包括:接收车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据;基于预设评价标准,综合分析得到乘客的当前舒适度体感评价等级;利用预先构建的舒适度预测模型,输出车辆的舒适度变化趋势预测结果,其中,舒适度预测模型基于舒适度体感评价等级历史数据、环境历史数据、加速度历史数据和乘客健康历史数据得到。本申请实施例可以利用服务器进行数据分析,避免车辆运行资源占用,且通过综合性更强的评价标准,得到的舒适度评估结果更加准确,同时还可以预测车内的舒适度变化趋势,利用历史数据更新舒适度预测模型,更加节约资源。
Description
技术领域
本申请涉及健康检测技术领域,特别涉及一种车辆的舒适度评估方法、装置、服务器及存储介质。
背景技术
如何提高驾驶员安全意识是一项重要问题,当驾驶员意识到激烈驾驶会给车上的乘客造成不好的乘坐体验甚至是很大的安全隐患时,无形中会使得驾驶员在驾驶时变得温和,为此让驾驶员实时了解乘客身体健康状况,能更加直观地让驾驶员感受到每个乘客的乘坐感受,从而注意自己的驾驶习惯,提高驾驶的安全性。
相关技术中,可以通过采集车内环境、乘客健康数据,利用车身健康处理模块判断乘客的健康状况和乘坐感受,便于驾驶员实时了解车内乘客状态,提高驾驶安全性。
然而,相关技术中,利用车身健康处理模块占用资源较多,易影响其它功能的使用,且算法固化,同时综合性判断结果准确度不高,缺少对路况因素的考量,有待改进。
发明内容
本申请提供一种车辆的舒适度评估方法、装置、服务器及存储介质,以解决相关技术中,利用车身健康处理模块占用资源较多,易影响其它功能的使用,且评价标准综合性水平较差等技术问题。
本申请第一方面实施例提供一种车辆的舒适度评估方法,应用于服务器,其中,所述方法包括以下步骤:接收车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据;基于预设评价标准,综合分析所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据,得到所述乘客的当前舒适度体感评价等级;基于所述乘客的当前舒适度体感评价等级得到所述乘客的舒适度评价结果的同时,将所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据输入至预先构建的舒适度预测模型,输出所述车辆的舒适度变化趋势预测结果,其中,所述舒适度预测模型基于舒适度体感评价等级历史数据、环境历史数据、加速度历史数据和乘客健康历史数据得到。
根据上述技术手段,本申请实施例可以利用服务器进行数据分析,避免车辆运行资源占用,且通过综合性更强的评价标准,得到的舒适度评估结果更加准确,同时还可以预测车内的舒适度变化趋势,利用历史数据更新舒适度预测模型,更加节约资源。
可选地,在本申请的一个实施例中,在输出所述车辆的舒适度变化趋势预测结果的同时,还包括:基于所述预先构建的舒适度预测模型,分析所述当前乘客健康数据,得到所述乘客的人体生理指标曲线图;基于所述人体生理指标曲线图,生成所述乘客的人体健康报告。
根据上述技术手段,本申请实施例可以输出乘客的人体健康报告,便于驾驶员和乘客掌握健康数据。
可选地,在本申请的一个实施例中,所述基于预设评价标准,综合分析所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据,得到所述乘客的当前舒适度体感评价等级,包括:从所述当前环境数据中,提取所述车辆的当前车内光线强度特征、当前车内气压强度特征和当前车内噪声强度特征;对比所述车内光线强度特征和所述预设评价标准中的光线强度标准,根据第一比较结果得到对应的当前光线强度舒适度体感评价等级;对比所述当前车内气压强度特征和所述预设评价标准中的气压强度标准,根据第二比较结果得到对应的当前气压强度舒适度体感评价等级;对比所述当前车内噪声强度特征和所述预设评价标准中的噪声强度标准,根据第三比较结果得到对应的当前噪声强度舒适度体感评价等级;从所述当前加速度数据中,提取所述车辆的当前车辆加速度特征;对比所述当前车辆加速度特征和所述预设评价标准,根据第四比较结果得到对应的当前车身振动舒适度体感评价等级;从所述当前乘客健康数据中,提取所述乘客的当前心率特征和当前人体血氧饱和度特征;对比所述当前心率特征、当前人体血氧饱和度特征和所述预设评价标准中的人体健康标准,根据第五比较结果得到对应的当前人体健康舒适度体感评价等级。
根据上述技术手段,本申请实施例可以基于获取的数据,分别进行舒适度体感评价,得到更加全面的评价结果。
可选地,在本申请的一个实施例中,所述基于所述乘客的当前舒适度体感评价等级得到所述乘客的舒适度评价结果,包括:将所述当前光线强度舒适度体感评价等级、所述当前气压强度舒适度体感评价等级、所述当前噪声强度舒适度体感评价等级、所述当前车身振动舒适度体感评价等级、所述当前人体健康舒适度体感评价等级转化为对应的评价分值;对所述对应的评价分值进行求和,根据求和结果得到所述乘客的舒适度评价结果。
根据上述技术手段,本申请实施例可以加评价等级转化为分值,从而得到更直观的综合评价结果。
可选地,在本申请的一个实施例中,所述预设评价标准包括车身振动舒适度评价标准和车身环境及乘客健康舒适度评价标准。
可选地,在本申请的一个实施例中,在基于预设评价标准,综合分析所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据,得到所述乘客的当前舒适度体感评价等级之前,还包括:获取所述车辆的加速度历史数据;基于所述加速度历史数据计算对应的加权加速度值,确定主观舒适等级对应的所述加权加速度的极限阈值;基于所述加权加速度的极限阈值,得到对应主观舒适等级下的平均加权加速度值;利用所述平均加权加速度值对振动舒适度评价区间进行线性划分,得到所述车身振动舒适度评价标准。
根据上述技术手段,本申请实施例可以利用历史数据,更新预设评价标准,从而使得评价标准更贴合实际情况,且消耗资源较少。
可选地,在本申请的一个实施例中,在基于预设评价标准,综合分析所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据,得到所述乘客的当前舒适度体感评价等级之前,还包括:获取所述车辆的环境历史数据、所述乘客健康历史数据和对应的所述舒适度体感评价等级历史数据,以分别划分所述主观舒适等级对应的心率极限阈值、血氧饱和度极限阈值、气压强度变化率极限阈值、光线强度极限阈值和噪声强度的极限阈值;利用所述心率极限阈值、所述血氧饱和度极限阈值、所述气压强度变化率极限阈值、所述光线强度极限阈值和所述噪声强度的极限阈值,对车身环境及乘客健康舒适度评价区间进行线性划分,得到所述车身环境及乘客健康舒适度评价标准。
根据上述技术手段,本申请实施例可以利用历史数据,更新预设评价标准,从而使得评价标准更贴合实际情况,且消耗资源较少。
本申请第二方面实施例提供一种车辆的舒适度评估装置,应用于服务器,其中,所述装置包括:接收模块,用于接收车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据;分析模块,用于基于预设评价标准,综合分析所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据,得到所述乘客的当前舒适度体感评价等级;评估模块,用于基于所述乘客的当前舒适度体感评价等级得到所述乘客的舒适度评价结果的同时,将所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据输入至预先构建的舒适度预测模型,输出所述车辆的舒适度变化趋势预测结果,其中,所述舒适度预测模型基于舒适度体感评价等级历史数据、环境历史数据、加速度历史数据和乘客健康历史数据得到。
可选地,在本申请的一个实施例中,所述评估模块包括:分析单元,用于基于所述预先构建的舒适度预测模型,分析所述当前乘客健康数据,得到所述乘客的人体生理指标曲线图;生成单元,用于基于所述人体生理指标曲线图,生成所述乘客的人体健康报告。
可选地,在本申请的一个实施例中,所述分析模块包括:第一提取单元,用于从所述当前环境数据中,提取所述车辆的当前车内光线强度特征、当前车内气压强度特征和当前车内噪声强度特征;第一对比单元,用于对比所述车内光线强度特征和所述预设评价标准中的光线强度标准,根据第一比较结果得到对应的当前光线强度舒适度体感评价等级;第二对比单元,用于对比所述当前车内气压强度特征和所述预设评价标准中的气压强度标准,根据第二比较结果得到对应的当前气压强度舒适度体感评价等级;第三对比单元,用于对比所述当前车内噪声强度特征和所述预设评价标准中的噪声强度标准,根据第三比较结果得到对应的当前噪声强度舒适度体感评价等级;第二提取单元,用于从所述当前加速度数据中,提取所述车辆的当前车辆加速度特征;第四对比单元,用于对比所述当前车辆加速度特征和所述预设评价标准,根据第四比较结果得到对应的当前车身振动舒适度体感评价等级;第三提取单元,用于从所述当前乘客健康数据中,提取所述乘客的当前心率特征和当前人体血氧饱和度特征;第五对比单元,用于对比所述当前心率特征、当前人体血氧饱和度特征和所述预设评价标准中的人体健康标准,根据第五比较结果得到对应的当前人体健康舒适度体感评价等级。
可选地,在本申请的一个实施例中,所述评估模块包括:转化单元,用于将所述当前光线强度舒适度体感评价等级、所述当前气压强度舒适度体感评价等级、所述当前噪声强度舒适度体感评价等级、所述当前车身振动舒适度体感评价等级、所述当前人体健康舒适度体感评价等级转化为对应的评价分值;求和单元,用于对所述对应的评价分值进行求和,根据求和结果得到所述乘客的舒适度评价结果。
可选地,在本申请的一个实施例中,所述预设评价标准包括车身振动舒适度评价标准和车身环境及乘客健康舒适度评价标准。
可选地,在本申请的一个实施例中,还包括:第一获取模块,用于获取所述车辆的加速度历史数据;第一计算模块,用于基于所述加速度历史数据计算对应的加权加速度值,确定主观舒适等级对应的所述加权加速度的极限阈值;第二计算模块,用于基于所述加权加速度的极限阈值,得到对应主观舒适等级下的平均加权加速度值;第一划分模块,用于利用所述平均加权加速度值对振动舒适度评价区间进行线性划分,得到所述车身振动舒适度评价标准。
可选地,在本申请的一个实施例中,还包括:第二获取模块,用于获取所述车辆的环境历史数据、所述乘客健康历史数据和对应的所述舒适度体感评价等级历史数据,以分别划分所述主观舒适等级对应的心率极限阈值、血氧饱和度极限阈值、气压强度变化率极限阈值、光线强度极限阈值和噪声强度的极限阈值;第二划分模块,用于利用所述心率极限阈值、所述血氧饱和度极限阈值、所述气压强度变化率极限阈值、所述光线强度极限阈值和所述噪声强度的极限阈值,对车身环境及乘客健康舒适度评价区间进行线性划分,得到所述车身环境及乘客健康舒适度评价标准。
本申请第三方面实施例提供一种服务器,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的车辆的舒适度评估方法。
本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的车辆的舒适度评估方法。
本申请实施例的有益效果:
(1)本申请实施例可以利用服务器进行数据分析,避免车辆运行资源占用。
(2)本申请实施例可以通过综合性更强的评价标准,考虑路况不同、车辆驾驶策略不同导致的车身振动对舒适度的影响,使得得到的舒适度评估结果更加准确。
(3)本申请实施例还可以预测车内的舒适度变化趋势,利用历史数据更新舒适度预测模型,更加节约资源。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种车辆的舒适度评估方法的流程图;
图2为根据本申请一个实施例的车辆的舒适度评估方法的原理示意图;
图3为根据本申请一个实施例的车辆的舒适度评估方法的数据采集流程示意图;
图4为根据本申请一个实施例的车辆的舒适度评估方法的数据分析流程示意图;
图5为根据本申请实施例提供的一种车辆的舒适度评估装置的结构示意图;
图6为根据本申请实施例提供的车辆的结构示意图。
其中,10-车辆的舒适度评估装置;100-接收模块、200-分析模块、300-评估模块。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的车辆的舒适度评估方法、装置、服务器及存储介质。针对上述背景技术中心提到的相关技术中,利用车身健康处理模块占用资源较多,易影响其它功能的使用,且评价标准综合性水平较差等技术问题,本申请提供了一种车辆的舒适度评估方法,在该方法中,基于预设评价标准,综合分析车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据,得到乘客的当前舒适度体感评价等级,并利用预先构建的舒适度预测模型,输出车辆的舒适度变化趋势预测结果,其中,舒适度预测模型基于舒适度体感评价等级历史数据、环境历史数据、加速度历史数据和乘客健康历史数据得到,利用服务器进行数据分析,避免车辆运行资源占用,且通过综合性更强的评价标准,得到的舒适度评估结果更加准确,同时还可以预测车内的舒适度变化趋势,利用历史数据更新舒适度预测模型,更加节约资源。由此,解决了相关技术中,利用车身健康处理模块占用资源较多,易影响其它功能的使用,且评价标准综合性水平较差等技术问题。
具体而言,图1为本申请实施例所提供的一种车辆的舒适度评估方法的流程示意图。
如图1所示,该车辆的舒适度评估方法,应用于服务器,其中,方法包括以下步骤:
在步骤S101中,接收车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据。
在实际执行过程中,本申请实施例的服务器可以为云端服务器,可以接收车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据,即车辆不同座椅区域的压强、噪音、光线强度、车辆的加速度、该座椅区域乘客的心率、血氧饱和度等数据。
其中,当前环境数据和当前加速度数据可以通过车辆座椅内置的传感器,如加速度传感器、光线传感器、压强传感器、麦克风等得到,当前乘客健康数据也可以通过车辆座椅内置的检测装置获得,并在车辆获得所需数据后,通过车联网上传至对应的服务器。
在步骤S102中,基于预设评价标准,综合分析当前环境数据、当前加速度数据和当前乘客健康数据,得到乘客的当前舒适度体感评价等级。
作为一种可能实现的方式,本申请实施例可以基于预设的评价标准,将接收的当前环境数据、当前加速度数据和当前乘客健康数据进行综合分析,从而得到基于上述数据的乘客的多方面舒适度体感评价等级。
可选地,在本申请的一个实施例中,基于预设评价标准,综合分析当前环境数据、当前加速度数据和当前乘客健康数据,得到乘客的当前舒适度体感评价等级,包括:从当前环境数据中,提取车辆的当前车内光线强度特征、当前车内气压强度特征和当前车内噪声强度特征;对比车内光线强度特征和预设评价标准中的光线强度标准,根据第一比较结果得到对应的当前光线强度舒适度体感评价等级;对比当前车内气压强度特征和预设评价标准中的气压强度标准,根据第二比较结果得到对应的当前气压强度舒适度体感评价等级;对比当前车内噪声强度特征和预设评价标准中的噪声强度标准,根据第三比较结果得到对应的当前噪声强度舒适度体感评价等级;从当前加速度数据中,提取车辆的当前车辆加速度特征;对比当前车辆加速度特征和预设评价标准,根据第四比较结果得到对应的当前车身振动舒适度体感评价等级;从当前乘客健康数据中,提取乘客的当前心率特征和当前人体血氧饱和度特征;对比当前心率特征、当前人体血氧饱和度特征和预设评价标准中的人体健康标准,根据第五比较结果得到对应的当前人体健康舒适度体感评价等级。
具体地,本申请实施例可以从当前环境数据提取当前车内光线强度特征、当前车内气压强度特征和当前车内噪声强度特征,并将车内光线强度特征、当前车内气压强度特征和当前车内噪声强度特征带入至预设评价标准中,对比车内光线强度特征和预设评价标准,得到当前车内光线强度特征、当前车内气压强度特征和当前车内噪声强度特征对应的区间,从而得到对应的舒适度体感评价等级,即当前光线强度舒适度体感评价等级、当前气压强度舒适度体感评价等级和当前噪声强度舒适度体感评价等级;
本申请实施例还可以从当前加速度数据提取当前车辆加速度特征,并将当前车辆加速度特征带入至预设评价标准中,对比当前车辆加速度特征和预设评价标准,得到当前车辆加速度特征对应的区间,从而得到对应的当前车身振动舒适度体感评价等级;
本申请实施例还可以从当前乘客健康数据提取当前心率特征和当前人体血氧饱和度特征,并将当前心率特征和当前人体血氧饱和度特征带入至预设评价标准中,对比当前心率特征、当前人体血氧饱和度特征和预设评价标准,得到当前心率特征和当前人体血氧饱和度特征对应的区间,根据比较结果得到对应的当前人体健康舒适度体感评价等级。
可选地,在本申请的一个实施例中,预设评价标准包括车身振动舒适度评价标准和车身环境及乘客健康舒适度评价标准。
本申请实施例的预设评价标准包括车身振动舒适度评价标准和车身环境及乘客健康舒适度评价标准,从而可以从车身、路况、驾驶方式、车辆行驶状态、外部环境、乘客健康状态等多方面进行舒适度评估,结果更加准确。
可选地,在本申请的一个实施例中,在基于预设评价标准,综合分析当前环境数据、当前加速度数据和当前乘客健康数据,得到乘客的当前舒适度体感评价等级之前,还包括:获取车辆的加速度历史数据;基于加速度历史数据计算对应的加权加速度值,确定主观舒适等级对应的加权加速度的极限阈值;基于加权加速度的极限阈值,得到对应主观舒适等级下的平均加权加速度值;利用平均加权加速度值对振动舒适度评价区间进行线性划分,得到车身振动舒适度评价标准。
进一步地,举例而言,本申请实施例可以对获取汽车振动(加速度)的历史数据进行分析,参考总乘坐值法,综合了加权加速度均方根法的统计分析优点,同时结合人体的主观感受进行了量化,将人的主观感觉用0-1之间的小数来表示,并分为舒适、有点不舒适、不舒适、相当不舒适、非常不舒适和极不舒适六个等级;综合振动舒适度基于平均加权加速度值来划分,也分为上述六个等级(即1分、0.9分、0.75分、0.5分、0.1分、0分),其中0为极不舒适,1为舒适;如表1所示具体给出了人体对于不同加权加速度的主观感受以及综合振动舒适度的量化评价标准,其中,表1为车身振动舒适度评价标准表。
表1
根据表1的平均加权加速度值,对评价区间进行线性划分,得到:
将上式化简得到:
其中,x是汽车运行时数据采集模块所采集的平均加权加速度值,Z(x)是振动舒适度评价值,该值越小说明人体在汽车乘坐过程中舒适感越好。
可选地,在本申请的一个实施例中,在基于预设评价标准,综合分析当前环境数据、当前加速度数据和当前乘客健康数据,得到乘客的当前舒适度体感评价等级之前,还包括:获取车辆的环境历史数据、乘客健康历史数据和对应的舒适度体感评价等级历史数据,以分别划分主观舒适等级对应的心率极限阈值、血氧饱和度极限阈值、气压强度变化率极限阈值、光线强度极限阈值和噪声强度的极限阈值;利用心率极限阈值、血氧饱和度极限阈值、气压强度变化率极限阈值、光线强度极限阈值和噪声强度的极限阈值,对车身环境及乘客健康舒适度评价区间进行线性划分,得到车身环境及乘客健康舒适度评价标准。
在一些实施例中,本申请实施例可以对获取的环境历史数据、乘客健康历史数据进行分析,包括基于人体生理信号(心率、血氧)的舒适度评级和基于车厢环境数据(气压、噪声、光线)的舒适度评级,不同舒适度等级赋予不同分值,即非常舒适为1分、舒适为0.5分、不舒适为0分,具体的各因素评价表如表2所示:
表2
在步骤S103中,基于乘客的当前舒适度体感评价等级得到乘客的舒适度评价结果的同时,将当前环境数据、当前加速度数据和当前乘客健康数据输入至预先构建的舒适度预测模型,输出车辆的舒适度变化趋势预测结果,其中,舒适度预测模型基于舒适度体感评价等级历史数据、环境历史数据、加速度历史数据和乘客健康历史数据得到。
在实际执行过程中,本申请实施例可以在基于乘客的当前舒适度体感评价等级得到乘客的舒适度评价结果,并将结果和历史数据保存的同时,基于深度学习将单模态及多模态的数据评价结果进一步分析,最终得出舒适度评测结果、乘客健康评价报告和舒适度变化趋势等,即将当前环境数据、当前加速度数据和当前乘客健康数据输入至预先构建的舒适度预测模型,输出车辆的舒适度变化趋势预测结果,并将结果发送至车辆端,使得驾驶员可通过使用车载显示屏查看结果,为驾驶员提供实时的乘客健康评价报告和舒适度变化趋势。
本申请实施例可以基于深度学习框架,进一步分析采集到的数据与舒适度评测结果,可实现汽车的舒适度变化趋势的预测,评价结果和预测结果通过网络通信传输到车载显示屏显示,驾驶员可以在准确获得乘客舒适度状态,并在车辆行驶过程中,预测剩下行程中,车辆内舒适度变化,便于驾驶员根据显示数据进行相应调整。
可选地,在本申请的一个实施例中,基于乘客的当前舒适度体感评价等级得到乘客的舒适度评价结果,包括:将当前光线强度舒适度体感评价等级、当前气压强度舒适度体感评价等级、当前噪声强度舒适度体感评价等级、当前车身振动舒适度体感评价等级、当前人体健康舒适度体感评价等级转化为对应的评价分值;对对应的评价分值进行求和,根据求和结果得到乘客的舒适度评价结果。
举例而言,本申请实施例可以基于分值标准,如对车厢数据(加速度、气压、噪声、光线)综合计算得分,满分4分,最低分为0分;只要有一项指标舒适度评价为不舒适,总舒适度评价结果为不舒适(0分);若每项都舒适,则进一步分为非常舒适(大于3分)、舒适(2~3分)、不舒适(小于2分)三个等级进行显示。
本申请实施例还可以对人体生理数据(心率、血氧)和车厢数据(加速度、气压、噪声、光线)综合计算得分,满分6分,最低分0分;只要有一项指标舒适度评价为不舒适,总舒适度评价结果为不舒适(0分);若每项都舒适,则进一步分为非常舒适(大于5分)、舒适(2.5~5分)、不舒适(小于2.5分)三个等级进行显示。
基于上述标准,本申请实施例可以得到乘客的舒适度评价结果。
可选地,在本申请的一个实施例中,在输出车辆的舒适度变化趋势预测结果的同时,还包括:基于预先构建的舒适度预测模型,分析当前乘客健康数据,得到乘客的人体生理指标曲线图;基于人体生理指标曲线图,生成乘客的人体健康报告。
作为一种可能实现的方式,本申请实施例可以利用预先构建的舒适度预测模型,分析当前乘客健康数据,得到乘客的人体生理指标曲线图,从而基于人体生理指标曲线图,生成乘客的人体健康报告,从而可以将人体健康报告发送至车辆端,便于驾驶员获取乘客健康状况。
结合图2至图4所示,通过一个实施例对本申请实施例的车辆的舒适度评估方法的工作原理进行阐述。
以云端***为服务器,本申请实施例在实际应用过程中,可以如图2所示的结构实现。
其中,如图3所示,座椅,即数据采集模块可以包括加速度传感器、心率传感器和光线传感器,对不同状态下的车辆状态包括车辆启动、车辆制动和行驶状态,一段时间内进行多次瞬时加速度数据的采集,采集车厢振动信号、车内环境信息及人体生理信号等多模态数据,通过5G网络上传到云端***;
其中,光线传感器采集车厢内光线强度数据;
压强传感器采集车厢内气压强度数据;
座椅上的心率传感器采集乘客的心率数据,也可同步得出乘客人体血氧饱和度数据;
车载麦克风采集车厢内环境的噪声强度数据;
数据采集后通过5G网络将数据上传至云端***。
云端***根据评价标准对上传数据进行云计算,并基于深度学习将单模态及多模态的数据评价结果进一步分析,最终得出舒适度评测结果、乘客健康评价报告和舒适度变化趋势,驾驶员可通过使用车载显示屏查看结果,为驾驶员提供实时的乘客健康评价报告和舒适度变化趋势。
云端***可以获取保存数据采集模块上传的数据,基于评价标准对数据进行云计算,与标准参数进行对比,得出评价结果并存储到数据库中;基于深度学习框架,可进一步分析采集到的数据与舒适度评测结果,可实现车辆的舒适度变化趋势的预测,评价结果和预测结果通过网络通信传输到车载显示屏显示。
具体地,如图4所示,云端***可对数据采集模块采集到的数据进行整理、分析、舒适度评测、位置舒适度预测:其中,数据整理是对采集到的原始数据进行降噪、偏移量加减、单位替换;数据分析包括加速度分析、光线强度分析、气压分析、心率分析、噪声分析、血氧分析;舒适度评测是将数据分析得到的结果与标准参数区间比对,得出舒适性结果。
采集到的数据与评测结果都保存在云端***上,用于舒适度预测,基于测量数据间的映射关系,在云端***构建基于深度学习框架的可监督式机器学习模型,采用TensorFlow训练神经网络,通过大量评测数据与结果的训练后,神经网络可自主地实现对车辆接下来的行驶位置的舒适度预测。
舒适性结果和舒适度预测结果都通过网络传输至车载显示屏模块,可以用于显示驾驶员可直观理解的图像,包括舒适度曲线图、舒适度预测图、人体生理指标曲线图、人体健康报告,其中,舒适度曲线图包括单模态数据指标的舒适度评测图和综合舒适度评测图两种。
单模态数据的舒适度评测图是只将加速度、光线强度、噪声强度等单模态数据的舒适度评测值绘制成折线图。综合数据的舒适度评测图是基于汽车乘客舒适度评价标准,将所有数据综合分析得出的舒适度绘制成立体图,x轴表示由GPS确定的汽车经过的位置,y轴表示每个位置分析结果的平均值,z轴表示每个位置的所有评价结果,每个位置相距500米。舒适度预测图是将汽车中导航路线图余下每个位置的未来舒适度绘制成图。人体生理指标曲线图是基于心率、血氧等人体健康相关数据绘制成的曲线。人体健康报告是基于车辆乘客健康评价方法生成的人体健康报告。
实施例一
S1:座椅收集人体数据:车辆在行驶中时,传感器检测到加速度是2.1,光线强度是200Lux,噪声是40dB,其中A乘客心率是80次/min,血氧饱和度是95%;B乘客心率是110次/min,血氧饱和度是88%;
S2:云端***接收整理人体数据:数据整理是对采集到的原始数据进行降噪、偏移量加减、单位替换;
S3:云端***分析、舒适度评测:数据分析包括加速度分析、光线强度分析、气压分析、心率分析、噪声分析、血氧分析,舒适度评测是将数据分析得到的结果与标准参数区间比对,得出舒适性结果;
S4:云端***舒适度预测:采集到的数据与评测结果都保存在云端***上,用于舒适度预测,基于测量数据间的映射关系,在远端***构建基于深度学习框架的可监督式机器学习模型,采用TensorFlow训练神经网络,通过大量评测数据与结果的训练后,神经网络可自主地实现对汽车接下来的行驶位置的舒适度预测;
S5:综上,得出当前车辆处于持续加速状态,A乘客舒适度显示没有异常,但B乘客显得非常不舒服。
车载显示屏展示所有乘客的健康状况:B乘客处于非常不舒服的情况,建议减速,通过播放舒缓的音乐来缓解B乘客的不适感。
实施例二
S1:座椅收集人体数据:车辆在行驶中时,传感器检测到加速度是0.2,光线强度是200Lux,噪声是35dB,其中A乘客心率是96次/min,血氧饱和度是89%;B乘客心率是109次/min,血氧饱和度是87%;
S2:云端***接收整理人体数据:数据整理是对采集到的原始数据进行降噪、偏移量加减、单位替换;
S3:云端***分析、舒适度评测:数据分析包括加速度分析、光线强度分析、气压分析、心率分析、噪声分析、血氧分析,舒适度评测是将数据分析得到的结果与标准参数区间比对,得出舒适性结果;
S4:云端***舒适度预测:采集到的数据与评测结果都保存在云端***上,用于舒适度预测,基于测量数据间的映射关系,在远端***构建基于深度学习框架的可监督式机器学习模型,采用TensorFlow训练神经网络,通过大量评测数据与结果的训练后,神经网络可自主地实现对汽车接下来的行驶位置的舒适度预测;
S5:综上,得出当前汽车车厢处于缺氧状态,A乘客和B乘客都不同程度的显示为不太舒服。
车载显示屏展示所有乘客的健康状况:建议通过打开车窗或者开启空气净化装置使得车厢内氧气含量恢复至正常水平。
根据本申请实施例提出的车辆的舒适度评估方法,基于预设评价标准,综合分析车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据,得到乘客的当前舒适度体感评价等级,并利用预先构建的舒适度预测模型,输出车辆的舒适度变化趋势预测结果,其中,舒适度预测模型基于舒适度体感评价等级历史数据、环境历史数据、加速度历史数据和乘客健康历史数据得到,利用服务器进行数据分析,避免车辆运行资源占用,且通过综合性更强的评价标准,得到的舒适度评估结果更加准确,同时还可以预测车内的舒适度变化趋势,利用历史数据更新舒适度预测模型,更加节约资源。由此,解决了相关技术中,利用车身健康处理模块占用资源较多,易影响其它功能的使用,且评价标准综合性水平较差等技术问题。
其次参照附图描述根据本申请实施例提出的车辆的舒适度评估装置。
图5是本申请实施例的车辆的舒适度评估装置的方框示意图。
如图5所示,该车辆的舒适度评估装置10,应用于服务器,其中,装置10包括:接收模块100、分析模块200和评估模块300。
具体地,接收模块100,用于接收车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据。
分析模块200,用于基于预设评价标准,综合分析当前环境数据、当前加速度数据和当前乘客健康数据,得到乘客的当前舒适度体感评价等级。
评估模块300,用于基于乘客的当前舒适度体感评价等级得到乘客的舒适度评价结果的同时,将当前环境数据、当前加速度数据和当前乘客健康数据输入至预先构建的舒适度预测模型,输出车辆的舒适度变化趋势预测结果,其中,舒适度预测模型基于舒适度体感评价等级历史数据、环境历史数据、加速度历史数据和乘客健康历史数据得到。
可选地,在本申请的一个实施例中,评估模块300包括:分析单元和生成单元。
其中,分析单元,用于基于预先构建的舒适度预测模型,分析当前乘客健康数据,得到乘客的人体生理指标曲线图。
生成单元,用于基于人体生理指标曲线图,生成乘客的人体健康报告。
可选地,在本申请的一个实施例中,分析模块200包括:第一提取单元、第一对比单元、第二对比单元、第三对比单元、第二提取单元、第四对比单元、第三提取单元和第五对比单元。
其中,第一提取单元,用于从当前环境数据中,提取车辆的当前车内光线强度特征、当前车内气压强度特征和当前车内噪声强度特征。
第一对比单元,用于对比车内光线强度特征和预设评价标准中的光线强度标准,根据第一比较结果得到对应的当前光线强度舒适度体感评价等级。
第二对比单元,用于对比当前车内气压强度特征和预设评价标准中的气压强度标准,根据第二比较结果得到对应的当前气压强度舒适度体感评价等级。
第三对比单元,用于对比当前车内噪声强度特征和预设评价标准中的噪声强度标准,根据第三比较结果得到对应的当前噪声强度舒适度体感评价等级。
第二提取单元,用于从当前加速度数据中,提取车辆的当前车辆加速度特征。
第四对比单元,用于对比当前车辆加速度特征和预设评价标准,根据第四比较结果得到对应的当前车身振动舒适度体感评价等级。
第三提取单元,用于从当前乘客健康数据中,提取乘客的当前心率特征和当前人体血氧饱和度特征。
第五对比单元,用于对比当前心率特征、当前人体血氧饱和度特征和预设评价标准中的人体健康标准,根据第五比较结果得到对应的当前人体健康舒适度体感评价等级。
可选地,在本申请的一个实施例中,评估模块300包括:转化单元和求和单元。
其中,转化单元,用于将当前光线强度舒适度体感评价等级、当前气压强度舒适度体感评价等级、当前噪声强度舒适度体感评价等级、当前车身振动舒适度体感评价等级、当前人体健康舒适度体感评价等级转化为对应的评价分值。
求和单元,用于对对应的评价分值进行求和,根据求和结果得到乘客的舒适度评价结果。
可选地,在本申请的一个实施例中,预设评价标准包括车身振动舒适度评价标准和车身环境及乘客健康舒适度评价标准。
可选地,在本申请的一个实施例中,车辆的舒适度评估装置10还包括:第一获取模块、第一计算模块、第二计算模块和第一划分模块。
其中,第一获取模块,用于获取车辆的加速度历史数据。
第一计算模块,用于基于加速度历史数据计算对应的加权加速度值,确定主观舒适等级对应的加权加速度的极限阈值。
第二计算模块,用于基于加权加速度的极限阈值,得到对应主观舒适等级下的平均加权加速度值。
第一划分模块,用于利用平均加权加速度值对振动舒适度评价区间进行线性划分,得到车身振动舒适度评价标准。
可选地,在本申请的一个实施例中,车辆的舒适度评估装置10还包括:第二获取模块和第二划分模块。
其中,第二获取模块,用于获取车辆的环境历史数据、乘客健康历史数据和对应的舒适度体感评价等级历史数据,以分别划分主观舒适等级对应的心率极限阈值、血氧饱和度极限阈值、气压强度变化率极限阈值、光线强度极限阈值和噪声强度的极限阈值。
第二划分模块,用于利用心率极限阈值、血氧饱和度极限阈值、气压强度变化率极限阈值、光线强度极限阈值和噪声强度的极限阈值,对车身环境及乘客健康舒适度评价区间进行线性划分,得到车身环境及乘客健康舒适度评价标准。
需要说明的是,前述对车辆的舒适度评估方法实施例的解释说明也适用于该实施例的车辆的舒适度评估装置,此处不再赘述。
根据本申请实施例提出的车辆的舒适度评估装置,基于预设评价标准,综合分析车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据,得到乘客的当前舒适度体感评价等级,并利用预先构建的舒适度预测模型,输出车辆的舒适度变化趋势预测结果,其中,舒适度预测模型基于舒适度体感评价等级历史数据、环境历史数据、加速度历史数据和乘客健康历史数据得到,利用服务器进行数据分析,避免车辆运行资源占用,且通过综合性更强的评价标准,得到的舒适度评估结果更加准确,同时还可以预测车内的舒适度变化趋势,利用历史数据更新舒适度预测模型,更加节约资源。由此,解决了相关技术中,利用车身健康处理模块占用资源较多,易影响其它功能的使用,且评价标准综合性水平较差等技术问题。
图6为本申请实施例提供的服务器的结构示意图。该服务器可以包括:
存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
处理器602执行程序时实现上述实施例中提供的车辆的舒适度评估方法。
进一步地,服务器还包括:
通信接口603,用于存储器601和处理器602之间的通信。
存储器601,用于存放可在处理器602上运行的计算机程序。
存储器601可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器601、处理器602和通信接口603独立实现,则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器601、处理器602及通信接口603,集成在一块芯片上实现,则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。
处理器602可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的车辆的舒适度评估方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种车辆的舒适度评估方法,其特征在于,应用于服务器,其中,所述方法包括以下步骤:
接收车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据;
基于预设评价标准,综合分析所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据,得到所述乘客的当前舒适度体感评价等级;
基于所述乘客的当前舒适度体感评价等级得到所述乘客的舒适度评价结果的同时,将所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据输入至预先构建的舒适度预测模型,输出所述车辆的舒适度变化趋势预测结果,其中,所述舒适度预测模型基于舒适度体感评价等级历史数据、环境历史数据、加速度历史数据和乘客健康历史数据得到。
2.根据权利要求1所述的方法,其特征在于,在输出所述车辆的舒适度变化趋势预测结果的同时,还包括:
基于所述预先构建的舒适度预测模型,分析所述当前乘客健康数据,得到所述乘客的人体生理指标曲线图;
基于所述人体生理指标曲线图,生成所述乘客的人体健康报告。
3.根据权利要求1所述的方法,其特征在于,所述基于预设评价标准,综合分析所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据,得到所述乘客的当前舒适度体感评价等级,包括:
从所述当前环境数据中,提取所述车辆的当前车内光线强度特征、当前车内气压强度特征和当前车内噪声强度特征;
对比所述车内光线强度特征和所述预设评价标准中的光线强度标准,根据第一比较结果得到对应的当前光线强度舒适度体感评价等级;
对比所述当前车内气压强度特征和所述预设评价标准中的气压强度标准,根据第二比较结果得到对应的当前气压强度舒适度体感评价等级;
对比所述当前车内噪声强度特征和所述预设评价标准中的噪声强度标准,根据第三比较结果得到对应的当前噪声强度舒适度体感评价等级;
从所述当前加速度数据中,提取所述车辆的当前车辆加速度特征;
对比所述当前车辆加速度特征和所述预设评价标准,根据第四比较结果得到对应的当前车身振动舒适度体感评价等级;
从所述当前乘客健康数据中,提取所述乘客的当前心率特征和当前人体血氧饱和度特征;
对比所述当前心率特征、当前人体血氧饱和度特征和所述预设评价标准中的人体健康标准,根据第五比较结果得到对应的当前人体健康舒适度体感评价等级。
4.根据权利要求3所述的方法,其特征在于,所述基于所述乘客的当前舒适度体感评价等级得到所述乘客的舒适度评价结果,包括:
将所述当前光线强度舒适度体感评价等级、所述当前气压强度舒适度体感评价等级、所述当前噪声强度舒适度体感评价等级、所述当前车身振动舒适度体感评价等级、所述当前人体健康舒适度体感评价等级转化为对应的评价分值;
对所述对应的评价分值进行求和,根据求和结果得到所述乘客的舒适度评价结果。
5.根据权利要求1所述的方法,其特征在于,所述预设评价标准包括车身振动舒适度评价标准和车身环境及乘客健康舒适度评价标准。
6.根据权利要求5所述的方法,其特征在于,在基于预设评价标准,综合分析所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据,得到所述乘客的当前舒适度体感评价等级之前,还包括:
获取所述车辆的加速度历史数据;
基于所述加速度历史数据计算对应的加权加速度值,确定主观舒适等级对应的所述加权加速度的极限阈值;
基于所述加权加速度的极限阈值,得到对应主观舒适等级下的平均加权加速度值;
利用所述平均加权加速度值对振动舒适度评价区间进行线性划分,得到所述车身振动舒适度评价标准。
7.根据权利要求6所述的方法,其特征在于,在基于预设评价标准,综合分析所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据,得到所述乘客的当前舒适度体感评价等级之前,还包括:
获取所述车辆的环境历史数据、所述乘客健康历史数据和对应的所述舒适度体感评价等级历史数据,以分别划分所述主观舒适等级对应的心率极限阈值、血氧饱和度极限阈值、气压强度变化率极限阈值、光线强度极限阈值和噪声强度的极限阈值;
利用所述心率极限阈值、所述血氧饱和度极限阈值、所述气压强度变化率极限阈值、所述光线强度极限阈值和所述噪声强度的极限阈值,对车身环境及乘客健康舒适度评价区间进行线性划分,得到所述车身环境及乘客健康舒适度评价标准。
8.一种车辆的舒适度评估装置,其特征在于,应用于服务器,其中,所述装置包括:
接收模块,用于接收车辆的至少一个座椅区域的当前环境数据、当前加速度数据和当前乘客健康数据;
分析模块,用于基于预设评价标准,综合分析所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据,得到所述乘客的当前舒适度体感评价等级;
评估模块,用于基于所述乘客的当前舒适度体感评价等级得到所述乘客的舒适度评价结果的同时,将所述当前环境数据、所述当前加速度数据和所述当前乘客健康数据输入至预先构建的舒适度预测模型,输出所述车辆的舒适度变化趋势预测结果,其中,所述舒适度预测模型基于舒适度体感评价等级历史数据、环境历史数据、加速度历史数据和乘客健康历史数据得到。
9.一种服务器,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-7任一项所述的车辆的舒适度评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-7任一项所述的车辆的舒适度评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310443643.2A CN116443027A (zh) | 2023-04-21 | 2023-04-21 | 车辆的舒适度评估方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310443643.2A CN116443027A (zh) | 2023-04-21 | 2023-04-21 | 车辆的舒适度评估方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116443027A true CN116443027A (zh) | 2023-07-18 |
Family
ID=87131826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310443643.2A Pending CN116443027A (zh) | 2023-04-21 | 2023-04-21 | 车辆的舒适度评估方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116443027A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118296738A (zh) * | 2024-06-06 | 2024-07-05 | 南昌青林座椅制造有限公司 | 汽车座椅乘坐舒适性评价方法、***及设备 |
-
2023
- 2023-04-21 CN CN202310443643.2A patent/CN116443027A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118296738A (zh) * | 2024-06-06 | 2024-07-05 | 南昌青林座椅制造有限公司 | 汽车座椅乘坐舒适性评价方法、***及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7074069B2 (ja) | 情報処理装置および方法、並びにプログラム | |
CN111204348A (zh) | 调节车辆行驶参数方法、装置、车辆及存储介质 | |
CN109716411A (zh) | 用以监测驾驶员的活动水平的方法和设备 | |
CN113753059B (zh) | 一种自动驾驶***下的驾驶人接管能力预测方法 | |
Enders et al. | Objectification methods for ride comfort: Comparison of conventional methods and proposal of a new method for automated driving conditions | |
CN111971218A (zh) | 驾驶员轮廓分析和识别 | |
JP6513913B2 (ja) | 情報提示装置、方法及びプログラム | |
CN107364446A (zh) | 操作机动车辆的方法 | |
CN115349865A (zh) | 驾驶员心电信号分析方法、装置及存储介质 | |
CN111797755A (zh) | 一种汽车乘员情绪识别方法及电子设备 | |
CN113370984A (zh) | 基于多指标的自动驾驶车辆舒适度综合评价方法及*** | |
CN116443027A (zh) | 车辆的舒适度评估方法、装置、服务器及存储介质 | |
He et al. | Effects of driver's unsafe acceleration behaviors on passengers' comfort for coach buses | |
CN205506417U (zh) | 一种基于LabVIEW的自供能城轨列车运行舒适度检测装置 | |
CN116340332A (zh) | 更新车载智能***的场景库的方法、装置和车辆 | |
CN109858178A (zh) | 一种基于智能手环的营运车辆驾驶员疲劳预警方法 | |
CN114155742B (zh) | 一种网联车纵向行车风险评估和预警方法 | |
Murphey et al. | Personalized driver workload estimation in real-world driving | |
CN109858561B (zh) | 体感预测方法、装置和终端 | |
CN114435373A (zh) | 疲劳驾驶检测方法、装置、计算机设备和存储介质 | |
Catalán et al. | Classifying Drivers' Behavior in Public Transport Using Inertial Measurement Units and Decision Trees | |
Gabrielli et al. | A framework to study autonomous driving user acceptance in the wild | |
CN115230714A (zh) | 驾驶疲劳监测方法、装置、计算机设备及存储介质 | |
CN115447616B (zh) | 车辆驾驶客观指标的生成方法及装置 | |
Domijanic et al. | Evaluation of Methods for Identification of Driving Styles and Simulation-Based Analysis of their Influence on Energy Consumption on the Example of a Hybrid Drive Train |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |